求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   Code  
会员   
 
 
 
开班计划 | 技术学院 | 管理学院 | 嵌入式学院 | 机械 | 军工学院 | 定向培养 | 专家指导 | 角色培养  
 电话 English
成功案例   品质保证
成功案例
中航信 数据湖架构原理与应
某医疗磁 数据采集与处理
某科技公 大数据(Hadoo
诺基亚 Python基础
天津电子 Elasticse
中国电信 数据仓库与数据挖掘
某航天科 MySQL性能优化

相关课程  
并发、大容量、高性能数据库
高级数据库架构设计师
Hadoop原理与实践
HBase原理与高级应用
Oracle 数据仓库
数据仓库和数据挖掘
Oracle数据库开发与管理
 
全部课程 >人工智能  
人工智能的软件测试应用
2002 次浏览  58 次
Paul博士
某人工智能技术公司人工智能测试实验室负责人
 
时间地点:北京、 深圳、上海根据报名开班
课程费用:5000元/人
报公开课  
企业内训:可以根据企业需求,定制内训,详见 内训学习手册


认证方式:
培训前了解能力模型。
培训后进行能力评测:
  • 在线考试
  • 能力分析,给出学习建议
  • 合格者颁发证书,作为职业技能资格证明


            人工智能时代,很多软件中都涉及到人工智能的组件,因为对于输入,经过人工智能处理的输出具有一定的模糊性和不确定性,所以人工智能应用的软件测试需要测试工程师具有更多的能力。本课程面向进行人工智能应用测试的工程师,讲解如何人工智能的应用测试的基本框架,相关的人工智能的测试相关的知识、测试数据准备和处理方法,预期结果和实际结果的对比和判定技术,以便让测试工程师简历人工智能应用的测试工作基础。


    培训目标:
    • 了解人工智能应用测试的基础知识
    • 学习人工智能应用测试的数据准备和处理方法
    • 预期结果和实际结果判定技术
    • 学习一些常见的人工智能应用组件测试技术:图片识别、人脸识别、文本分析、商业智能、预测分析
    • 了解人工智能应用的一些测试工具
    培训对象:人工智能应用测试工程师
    学员基础:具有一定测试经验,了解人工智能基本知识
    授课方式:定制课程 + 案例讲解 + 小组讨论,60%案例讲解,40%实践演练
    培训内容:2天
    第一节 人工智能应用的测试基础
  • 人工智能应用测试的特点
  • 机器学习测试与传统软件测试的差异
  • 从机器学习标准正确性 correctness 、鲁棒性 robustness 、私密性 privacy 、效率性 efficiency 以及公正性 fairness
  • 测试流程中 AI 的介入
  • 测试当前状态
  • 测试最近代码变化
  • 代码覆盖率
  • 测试过程中数据如何收集
  • 哪些数据准备和提取是有用的
  • 使用深度学习自动生成单元测试和参数化
  • 机器学习系统测试的三大要素和测试流程
  • 深度学习测试当前所面临的一些挑战
  • 第二节 利用决策树模型进行进行离散测试数据处理 人工智能应用的逻辑判定复杂度引起的海量测试数据问题 决策树模型的数据处理原则
    如何利用决策树模型进行测试数据处理
  • 熵、联合熵、条件熵、 KL 散度、互信息
  • 最大似然估计与最大熵模型
  • ID3 、 C4.5 、 CART 详解
  • 决策树的正则化
  • 预剪枝和后剪枝
  • Bagging
  • 随机森林
  • 不平衡数据集的处理
  • 利用随机森林做特征选择
  • 使用随机森林计算样本相似度
  • 异常值检测
  • 提升为什么有效
  • 梯度提升决策树 GBDT
  • XGBoost 算法详解
  • Adaboost 算法
  • 加法模型与指数损失
  • XGBoost 库使用学习算法的本质
  • Adaboost 用于蘑菇数据分类
  • Adaboost 与随机森林的比较
  • 测试案例实践:
  • 决策树应用于回归
  • 多标记的决策树回归
  • 决策树和随机森林的特征选择与因子提取
  • 葡萄酒数据集的决策树 / 随机森林分类
  • 用户流失率分析与预估
  • 第三节 利用卷积神经网络优化海量测试对象 从海量型号的手机 app 测试谈起
    海量测试对象带来的测试成本问题
    优化海量测试的对象的技术和方法
  • 神经网络结构,滤波器,卷积
  • 池化,激活函数,反向传播
  • 目标分类与识别、目标检测与追踪
  • AlexNet 、 VGGNet 、 GoogleLeNet
  • Inception-V3/V4
  • ResNet 、 DenseNet
  • 测试案例实践:
  • 金融数据与卷积网络的关系与分析
  • 时间序列分析与卷积应用
  • 数字图片分类
  • 以图搜图
  • 人证合一
  • 卷积神经网络调参经验分享
  • 第四节 时间序列测试的人工智能支持 时间序列测试的特点和难点
    空间相关测试的特点和难点
    时间、空间相关数据的建模工具 : 循环神经网络
    时间序列预测的常用方法
    测试行业与时间序列的关系
    时间序列数据与文本处理的关系
    数据特征与词向量在非文本行业的应用
    文本分类:基于 CNN 和基于 LSTM 的方法比较
    LSTM 可以用于数据测试吗?
    时间、空间相关的测试实践:
  • 阅读理解
  • 问答系统
  • 情感分析
  • 时间、空间相关的 测试案例:
  • HMM 分词及 CRF 的异同
  • 文本摘要的生成
  • 智能对话系统和 SeqSeq 模型
  • 阅读理解的实现与 Attention
  • 第五节 测试数据清洗方式和案例分析
  • 测试数据的质量要求和数据清洗的必要性
  • 数据清洗章节放在模型搭建之后的原因
  • 实际生产问题中算法和特征的关系
  • 股票数据、时间特征的数据特征提取和应用
  • 一致性检验
  • 缺失数据的处理
  • 环境数据异常检测和分析
  • 模糊数据查询和数据校正方法、算法、应用
  • 鸢尾花数据与分类模型
  • 测试案例实践:
  • scikit-learn 的特征工程典型使用
  • 损失函数的绘制
  • 卷积与 ( 指数 ) 移动平均线
  • 股票数据分析
  • 第六节 测试结果评估:使用机器学习手段的特征提取和模型评估 测试结果评估的目标和策略
    人工智能对测试结果评估的支持方法
    测试结果评估的方法和实践:
  • 交叉验证:对回归器、分类器的性能估计
  • 交叉验证与模型选择
  • 超参数的调整方案
  • 全量 Grid 计算
  • 随机参数优化
  • 性能度量方案的选择
  • 自定义评价方案
  • 组合模型的参数优化
  • 模型的并行化和发展
  • AIC/BIC 等信息论原则
  • 模型的定量和定性评价
  • 分类、多标签、回归、聚类模型的评价异同
  • 模型持久化
  • 学习曲线
  •    
    2002 次浏览  58 次
    其他人还看了课程
    基于AI和大数据的知识图谱培训  4073 次浏览
    人工智能-图像处理和识别  2724 次浏览
    Python数据分析、机器学习与人工智能  3356 次浏览
    机器学习应用实践  2956 次浏览
    大模型与Sora技术应用  861 次浏览
    机器学习和数据挖掘课程  2525 次浏览
    定制内训
    最新活动计划
    数据建模方法与工具 12-16[北京]
    基于模型系统仿真与验证 12-14 [讲座]
    白盒测试技术与工具实践 12-24[线上]
    LLM大模型应用与项目构建 12-26[特惠]
    UML和EA进行系统分析设计 12-20[线上]
    SysML建模专家 1-16[北京]